召回率低的原因主要有 兩個：
標註 樣本 時的 問 題：
如果在 標註 樣本的 過程中，大量的正 樣本被 錯 誤地 標註 為 負 樣本， 這 會使得模型 對於正例的 學 習能力 減弱。因此，正 樣本更容易被模型 預 測 為 負 樣本，同 時也 會影 響到 負 樣本的精 確度。
解 決方法： 對於 錯 誤 標註的 樣本 進行修正， 並重新 訓 練模型。
正 負 樣本不均衡：
如果正 負 樣本的 數量差 異很大，例如正 負 樣本的比例小 於1:100， 這通常被 認 為是正 負 樣本不均衡的情 況。 這 種不均衡 會影 響模型的性能，使得模型更 難以 準確地 識 別正 樣本。
解 決方法：可以通 過增加 數 據量 來 儘量 維持正 負 樣本的相 對均衡。此外，如果模型的 網路 結 構太 淺，其 學 習能力可能不足以 處理 複雜的任 務， 這 時需要重新 確定 網路 結 構以提高模型的深度和 複雜性。
通 過上述方法，可以有效地提高模型的召回率， 從而提升其在真 實 套用中的性能。